AI原生游戏综述：从“AI生成内容”到“AI成为玩法机制”

导读：生成式AI正在让游戏在运行时生成对话、任务、角色、图像和世界，但“有AI生成内容”并不等于“AI原生游戏”。这篇综述提出一个更严格的判断标准：如果移除或平凡替换运行时生成式AI，游戏的核心循环会崩塌，或玩法形态会发生根本变化，那么它才是AI-native game。基于这一反事实标准，论文筛选并分析了53个公开可访问的AI原生游戏与原型，提出G/N双轴分类：G轴描述玩家可见的游戏类型，N轴描述使AI不可替代的主导AI机制。论文的关键结论是：AI原生游戏的核心问题不是“能生成多少内容”，而是如何把语义开放性组织成稳定、可理解、可反馈、可玩的游戏机制。 图1：AI原生游戏及相邻形态的发展路线图。论文将早期互动叙事、AI Dungeon、Infinite Craft、Hidden Door、Aivilization 等放在同一历史脉络中，展示AI从内容生成工具走向运行时玩法机制的过程。

论文信息

论文标题：AI Native Games: A Survey and Roadmap 论文链接：https://arxiv.org/abs/2607.00527 作者：Zhiyue Xu、Fandi Meng、Kaijie Xu、Clark Verbrugge、Simon Lucas、Jian Zhao 研究对象：公开可访问的AI原生游戏、演示、早期访问作品和研究原型，共53个样本。

INTRODUCTION AND BACKGROUND / 引言与背景

为什么需要重新定义AI原生游戏

游戏领域一直在使用AI：敌人寻路、有限状态NPC、行为树、效用AI、动态难度、程序化内容生成等，都早已是游戏开发的常规工具。但这些AI通常服务于开发者预设的规则空间，或者在发布前生成资产。生成式AI带来的变化在于，玩家可以在运行时以自然语言、语音、图像或开放动作与系统交互，模型则即时解释、生成和改写游戏状态。 论文强调，不能把所有“用了AI”的游戏都称为AI原生游戏。一个游戏可以有AI生成插画、AI生成台词、可聊天NPC，甚至AI辅助任务设计，但如果这些内容被移除后，核心玩法仍然成立，它更像AI增强游戏，而不是AI原生游戏。 这篇综述要回答的问题更窄也更关键：什么时候生成式AI从“工具层”变成“玩法层”？作者给出的判断标准是反事实的：移除AI后，核心循环是否还成立。如果不成立，或者游戏会变成根本不同的形式，AI才是构成性机制。

从PCG到AI原生玩法

传统PCG证明了算法可以生成关卡、道具、地图、任务和布局，但它通常在开发者定义好的参数空间内运行。自适应PCG进一步把玩家行为纳入生成过程，但仍以可控规则和搜索目标为主。 LLM和当代生成式AI改变了这一点：它让自由文本输入、开放语义解释、实时叙事延续、NPC回应和结果裁定变得可行。早期互动戏剧如 Façade 是重要前史，因为它证明了AI可以调解社会互动和叙事张力；但当代AI原生游戏的关键差异在于，基础模型能够直接处理开放语言和语义不确定性，使游戏从预写分支走向运行时解释。

SCOPE AND METHODOLOGY / 范围与方法

样本筛选逻辑

论文采用定性artifact analysis方法，先从学术文献、相关综述、搜索引擎、Steam、itch.io、官网、开发者披露和项目页面中收集候选，再通过公开描述、可玩版本、demo、网页版本或文档进行人工核验。 作者最初整理了93个候选，最终保留53个公开发布、可试玩、demo可访问或公开研究原型。未发布游戏、私有内部测试、概念宣传页、只有市场营销材料但无法验证玩法结构的项目被排除。 筛选重点不是作品是否“有AI”，而是运行时AI是否直接影响玩家动作解释、内容生成、规则解释、NPC行为、世界状态、叙事推进或结果裁定。 图2：识别AI原生游戏的三个必要条件：运行时生成式AI存在、核心循环依赖AI、AI不能被有限作者内容或确定性规则平凡替换。

四类边界：原生、增强、边界与出局

论文用两个维度划分候选：第一，生成式AI是否是核心机制；第二，该artifact是否具有严格游戏结构。由此得到四类结果。 图3：AI原生游戏要求AI是核心，同时作品具有目标、规则、反馈、状态进展等严格游戏结构。AI增强游戏只是让非核心层更丰富；AI边界作品虽然AI重要，但缺少足够的游戏性结构。 这一区分很重要。聊天机器人、酒馆式角色扮演和纯AI陪伴可能有丰富对话，但若缺少目标、约束、反馈、可失败条件或状态进展，论文会将其视为AI-boundary，而不是AI-native game。反过来，一个极简文本游戏也可能是AI原生的，只要它的主要玩法依赖AI解释玩家输入并产生后果。

DEFINITION AND CURRENT LANDSCAPE / 定义与当前图景

工作定义

论文将AI原生游戏定义为：生成式AI作为构成性核心机制参与游戏，使得移除AI组件后，核心玩法循环不可能维持，或游戏性质会被根本改变。 这一定义包含三个必要条件。第一，必须存在运行时生成式AI，而不是传统敌人AI、路径规划、有限状态NPC或离线生成资产。第二，核心循环必须依赖AI，AI输出要影响玩家动作解释、世界状态、规则裁定、叙事推进或结果反馈。第三，AI组件不能被有限作者内容或确定性规则平凡替代。 因此，AI原生游戏的本质不是“内容更多”，而是“玩法机制不同”。如果AI只是增加内容体量、对话变化或视觉装饰，而不改变核心循环，它仍属于AI增强。

当前趋势

论文总结了三个趋势。第一，AI原生游戏正从纯文本探险走向任务导向玩法。早期系统常把AI当作故事讲述器，而新作品逐渐让AI支持侦探、社会说服、谈判、语义合成、法术解释、prompt注入挑战、AI游戏主持人和多智能体世界模拟。 第二，AI原生游戏越来越混合化。成功作品很少依赖无限制生成，而是把生成式AI与作者设定目标、隐藏状态、场景约束、安全过滤、缓存输出、游戏引擎验证或人工设计进程结合起来。AI不是替代游戏设计，而是把设计工作转移到运行时接口、约束、验证器、记忆结构和失败回退上。 第三，这一领域仍处在早期实验阶段。许多作品交互新颖，但仍面临一致性、延迟、评估、审核、成本和可玩深度问题。当前最常见形态不是完全开放的模拟器，而是受约束的核心循环：AI在其中扮演明确角色，如嫌疑人、裁判、故事续写器、可说服角色、可生成工件或玩家自定义动作解释器。

CLASSIFICATION OF AI-NATIVE GAMES / AI原生游戏分类

G轴：玩家看到的游戏类型

论文提出第一条轴是game type，描述玩家面对的外在游戏形态。作者把53个样本归入9类：叙事冒险、RPG、解谜、策略/管理、模拟、沙盒/创造、社交推理/派对、关系/陪伴、混合/实验。 图4：按游戏类型统计，叙事冒险最多，占45.3%；RPG和解谜紧随其后。关系/陪伴、沙盒/创造、策略/管理等方向仍较少。 叙事冒险是最大类别，共24个，占45.3%。这说明当前AI原生游戏仍高度依赖语言能力：当语言本身就是核心交互时，生成式AI最容易成为玩法机制。RPG有8个，解谜有7个，显示AI也逐渐进入角色扮演、任务生成、语言推理和开放解题场景。 图5：G轴taxonomy。论文不仅给出数量，还列出每类的编码标准、典型AI依赖和代表作品，用于避免把题材、机制和AI作用混在一起。

N轴：主导AI机制

第二条轴是dominant AI mechanic，也就是如果移除生成式AI，哪一种计算功能会使核心循环无法成立。论文将其分为6类：认识性交互、社会影响、生成叙事/AI GM、语义动作与裁定、多智能体模拟、生成式构造。 图6：主导AI机制分布。N1认识性交互和N3生成叙事/AI GM合计约占60%，显示当前成熟方向仍围绕语言、叙事和信息获取展开。 N1认识性交互最多，共17个，占32.1%，典型玩法包括侦探、审讯、信息寻找、识别谎言。N3生成叙事/AI GM有14个，占26.4%，包括开放输入驱动剧情、AI主持TTRPG、叙事RPG等。N2社会影响有11个，占20.8%，玩家需要说服、欺骗、谈判、讨好或威胁AI角色。 更靠近规则层的N4语义动作与裁定只有6个，N5多智能体模拟只有4个，N6生成式构造只有1个。这说明真正把AI放到规则解释、社会系统和世界构造层的游戏仍很稀缺，但也最具前瞻性。 图7：N轴taxonomy。该表说明不同AI机制对应的核心玩法差异：有的让玩家询问模型，有的让玩家影响AI角色，有的让AI延续世界，有的让AI裁定开放动作。

双轴交叉矩阵

G轴和N轴必须分开，因为同一题材可以承载不同AI机制，同一AI机制也可以出现在不同游戏类型中。例如“AI侦探游戏”在题材上像侦探/叙事，但它是否AI原生取决于AI是在提供线索、扮演嫌疑人，还是裁定开放动作。 图8：G/N交叉矩阵。密集区域代表已形成的设计模式，空白区域代表尚未充分探索的组合。 矩阵显示，最密集的格子是G1叙事冒险与N1认识性交互，共14个；G1叙事冒险与N3生成叙事/AI GM有6个；G2 RPG与N3生成叙事/AI GM有7个。这些是目前较成熟的模式。相反，策略/管理、关系/陪伴、生成构造、多智能体模拟等组合仍大量空白，代表未来机会。 这一发现也解释了为什么很多AI游戏看起来相似：它们集中在“文本输入-模型回答-叙事推进”附近。真正更难的是让AI进入规则层、物理层、社会系统层和长期关系层。

CHALLENGES AND A ROADMAP FOR FUTURE / 挑战与路线图

超越文本和“为了AI而AI”

论文指出，当前语料库明显偏文本驱动。许多作品为了突出AI而牺牲游戏循环，让模型变成新奇层而非机制。未来AI原生游戏需要把语音、视觉、图像、音频和多模态感知放进核心玩法，而不只是作为装饰。 同时，作者提出“game-first”原则：生成式AI必须服务于明确目标、可验证状态和玩家可理解后果。一个生成体验可以有趣，但如果不能形成可玩的循环，就不是成功的游戏内容。

有规则边界的可控生成

游戏不能容忍完全开放生成，因为规则、状态和一致性是游戏成立的前提。论文建议从直接生成转向proposal-and-verification：模型提出对话、事件、道具、任务或规则解释；确定性系统验证合法性、安全性、一致性、经济性、可达性和平衡性；若验证失败，则修复、重生成、要求玩家澄清或回退到作者内容。 记忆不稳定也是关键问题。普通聊天机器人遗忘上下文会削弱连续性，但AI原生游戏一旦遗忘法令、关系、资源变化或长期计划，就会破坏游戏状态。玩家不应被迫不断提醒系统，这会把策略性玩法变成提示词维护。

机制层创新

AI原生设计最值得探索的方向，是把AI放到机制层，而不是只做NPC对话后端。它可以成为规则解释器、语义物理引擎、社会策略对手、谜题验证器、法术评估器或合约谈判器。 但机制层AI不能拥有任意权威。玩家必须能形成对AI裁定方式的稳定预期。开放自然语言输入越自由，底层游戏状态越需要稳定，例如材料、意图、成本、风险、反制、环境承受力等都要映射到明确规则。

多智能体世界与动态平衡

AI原生游戏也指向多智能体模拟：城镇NPC拥有目标，派系可以谈判，经济系统对生成事件作出反应，伙伴能记住共享历史。但多智能体生成会放大成本、一致性和安全风险。论文建议区分高频后台模拟和低频语义聚光灯场景：普通NPC可以运行轻量效用系统，只有叙事关键互动才调用基础模型。 动态平衡也会发生变化。传统自适应系统调整刷怪时机或难度，而AI原生系统可以进行语义节奏控制：何时引入谜题、升级冲突、总结派系动机、约束破坏性动作并保留玩家即兴发挥。

推理成本与商业可行性

延迟是可玩性的另一面。对话中心的AI原生游戏中，玩家输入动作、等待模型推理、再获得反馈；如果延迟不稳定，实时响应、沉浸感和节奏都会被破坏。 成本同样重要。生成式推理是按次调用的边际成本，游戏如果每一步都调用大模型，商业模型会很脆弱。论文讨论了本地小模型、专用窄模型、云端协作、缓存、作者回退、传统AI处理低风险交互、大模型只处理高不确定语义场景等方向。未来AI原生游戏需要把推理设计成显性的设计材料，而不是隐藏账单。

模型依赖、可移植性与复现

AI原生游戏高度依赖外部基础模型。模型版本变化会改变体验；区域可用性和合规限制会影响发布；闭源模型让行为难以复现。论文建议采用模型无关抽象层、受限环境下的本地fallback、提示词/模式/验证代码/模型版本/日志/失败案例公开记录，并建立面向玩法稳定性的评测协议。 这类游戏不应只看内容新奇度或模型benchmark分数，而要评估规则一致性、响应延迟、叙事连贯、玩家能动性、可感知公平性、错误恢复、审核成功率和长会话记忆稳定性。

ETHICS, SAFETY, AND REGULATORY IMPACTS / 伦理、安全与监管影响

从基础模型风险到游戏风险

AI原生游戏继承基础模型的偏见、毒性、幻觉、隐私泄露、版权不确定性、环境成本和对抗提示风险，但游戏语境会放大这些问题。AI NPC不是简单文本生成器，它可能是持久社会角色；幻觉任务不仅是事实错误，还可能浪费玩家时间或破坏世界状态；隐私泄露可能包含角色扮演、语音、情绪、习惯和行为画像。

实时生成与审核压力

传统内容评级和审核假设内容在发布前可审查，而AI原生游戏会在运行时生成对话、任务、图像和规则解释。这意味着违规、有害或平台违规内容可能在认证后才出现。论文强调，安全不能只依赖模型拒答，而要采用纵深防御：提示隔离、工具权限、输出分类器、结构化状态转移、人工报告、年龄适配过滤、对抗测试和事故分析日志。

操纵、成瘾与玩家信任

AI原生游戏可以以前所未有的深度个性化互动。模型能学习玩家喜欢、害怕、回避和购买什么，并通过奖励计划、社交绑定、持续NPC关系和情绪回应影响玩家行为。论文指出，问题不在于个性化本身，而在于透明度、控制权和不对称优化：当系统为了留存、消费或参与度优化亲密行为数据时，玩家需要真正可用的边界和退出机制。 可解释性也必须面向玩法。玩家不需要看到模型权重或完整思维链，但需要知道为什么门打不开、NPC拒绝、条约失败、法术反噬。解释应当连接到游戏状态，这既是设计要求，也是安全要求。

CONCLUSION / 总结

这篇综述的核心贡献，是把AI原生游戏从宽泛的“AI参与游戏”中严格区分出来：AI原生不取决于生成内容数量，而取决于运行时AI推理是否构成玩法。它不仅提出定义和边界，还基于53个公开样本建立G/N双轴分类，指出当前领域高度集中在叙事冒险、认识性交互和生成叙事，而语义裁定、多智能体世界、生成式构造和长期关系仍是稀缺方向。 论文最后的路线图很清楚：未来AI原生游戏需要可控生成、验证状态转移、持久记忆、经济可行推理、多模态grounding、因果推理、安全系统和面向游戏性的评测。真正的机会不在于把AI当作噱头，而在于把开放语义转化为有目标、有规则、有反馈、有后果的机制。换句话说，AI原生游戏的下一步不是“让模型说更多”，而是“让模型参与到游戏何以成为游戏的结构里”。